Cursorの活用事例

少人数のチームで規模の大きい開発を進める必要があった。

製品が変わるたびに社内の説明資料が古くなりPMがコードの変更を毎回文章に直していた。

1. チケットごとに目的と受け入れ条件をつなげた
2. 同じ材料をCursorのエージェントに渡して開発させた
3. コードのどこを読むか案内する地図を用意した
4. 3つのツールで説明を書き2人が確かめて正式版にした
5. 取り込みのたび影響するページの修正案を出させる

ユーザーストーリー1本の提供が約10日短くなり開発の効率は41%上がった。

ドキュメントの確認は週約10時間から約90分になり1人あたりの提供価値は73%増えた。

社内の70体のエージェントを作る開発者が、42のシステムの鍵を自分の.envファイルに貼り付けて使っていた。

社内監査で開発者の端末やCI設定に278本のAPIキーが散らばっていると分かり、しかも読み取りだけでよいはずの鍵が削除や全社設定の変更までできる状態だった。

1. .envの値を本物の鍵からPassportの参照IDに置き換えた
2. 常駐プログラムが呼び出しを社内のプロキシへ渡す
3. プロキシだけが保管庫から鍵を読んでAPIを呼ぶ
4. 42のシステムを104の承認済みエンドポイントに絞った
5. 呼び出しを開発者・エージェント・実行の単位で記録する

開発者の端末にある本番の鍵はゼロになり、278本のキーが使われなくなった。

新しい本番システムを目録に足す日数は15日から3日になり、新しく入った開発者は2時間でどのエージェントにも手を入れられるようになった。

導入後もエージェントは32体から70体、つなぐシステムは27から42へ増えたが鍵の露出はゼロのままだった。

9社の航空券の仕入れ先ごとに仕様がばらばらで、運賃が出ない・座席が選べないといった穴が利用者に見えていた。

資料の無い仕入れ先もあり、原因調べに何日もかかっていた。

1. 予約の機能を検索や発券などに切り分けた
2. 仕入れ先ごとに設計の仕様書を書いてから実装した
3. 10万行超のAPI仕様をCursorに読ませ必要な所を探した
4. Pythonの中継プログラムを作り手元から試せるようにした
5. 実行環境をJava 8からJava 21へ移した

2〜3日かかっていた原因調べが約半日で終わるようになった。

往復検索の応答はp95で10秒から8秒になり、運賃ルールの網羅率は80%から90%へ上がった。

営業まわりのAIが Cursor・Figma・Claude・ChatGPT などに散らばり、年間で数百万ドル規模の費用になっていた。

どの部門も費用に見合う成果を説明できず、使っているツールごとにAIが増えて無駄が重なっていた。

1. 社内の各システムにGleanをつないで索引にまとめた
2. 開く頻度や更新など80超の手がかりで索引を毎日保つ
3. 問い合わせは元データでなく索引へ投げる形に変えた
4. 試験のうちに40を超えるエージェントを作った
5. 500問のRFP回答は下書きを任せ人は仕上げに回る

索引済みのデータへ問う形にしたことでトークンの効率が30〜35%上がった。

数か月かかっていた顧客ごとの営業計画は、最初の成果物が1日で出るようになった。

商業保険の仲介は紙の作業が多く手順も遅いままだった。

創業者はエンジニアではなく、仕組みを1人で作る必要があった。

1. AWSのコンソール画面のスクリーンショットをChatGPTに渡した
2. ChatGPTに聞きながらバックエンドとデータベースを立てた
3. CursorやClaude CodeやCodexで開発を進める
4. コーディングエージェントが扱いやすいWeaviateに決めた
5. 保険の書類を分類し項目を取り出してベクトル化する

2025年2月のアイデアから同じ年の11月には顧客のいる本番システムが動いた。

稼働から1年たたずに40口座で2,000万ドルの保険料を運用し、年間50万ドルを超える顧客も8件ある。

副業で受けた開発案件に時間がかかりすぎ、報酬に対して実質の時給が下がっていた。

ツールを1つに絞ると得意でない工程で手が止まる。

1. 案件を4タイプに分けて使うツールを先に決める
2. 既存コードの修正はGitHub Copilotの補完提案をそのまま試す
3. 小規模サイトはCursorで骨組みだけ手書きし残りを生成させる
4. 中規模アプリはClaudeに画面構成とAPI設計とDB設計を出させる
5. 要望があいまいな案件はClaudeで機能候補と優先順位を整理する

ポートフォリオサイト制作は8時間で終わり、所要時間が60%削減された。

中規模アプリ開発は約120時間で、所要時間が40%削減された。

SOC 2 や ISO の検査に落ちた顧客が直し方を分からず、対応できないまま危ない状態が続いていた。

対象の項目とクラウドの組み合わせが多すぎて、手作業で手順書をそろえるのは無理だった。

1. 検査が失敗した内容とクラウドの情報をClaudeへ渡す
2. Claudeが環境に合わせた直し方を組み立てる
3. 手順やTerraform・AWS CLIのコマンドとして返す
4. 正解付きのデータでモデルを比べて選ぶ
5. 出てきたコードは技術者が確かめてから使う

評価から実装まで1週間かからず、対応にかかる期間は数週間から数日になった。

社内の開発者によるAIツールの利用は2か月で113%増え、AIを試すSlackのチャンネルは30人から130人超に広がった。

MCPサーバーを増やした結果、認証トークンやCookieの期限切れ、ローカルサーバーの停止に気づけなくなった。

タスクを頼んだ途中で止まり、原因の切り分けに手間がかかっていた。

1. GA4など8種類以上のMCPサーバーを1つの設定ファイルにまとめる
2. 認証方式を4つに分け鍵の置き場所とログイン手順を決める
3. 作業開始時に各MCPの状態確認を1行のプロンプトで頼む
4. 副作用のない確認用ツールを順に呼び生死を一覧で返させる
5. 落ちていたものだけ人が再ログインやOAuthを取り直す

作業の途中でトークン切れによって止まる失敗がなくなった。

どのMCPが落ちたかがすぐ分かるため、再認証は1分以内で終わるようになった。

細かいバグ修正でも、エージェントに依頼して修正内容を読み、手元で画面を立ち上げて確認しPRを書くまでを毎回自分でやっていた。

実装自体はAIだけで終わる場面が多く、この一連の作業が手間になっていた。

1. CursorのダッシュボードでGitHub・Slack・NotionのMCPをつなぐ
2. environment.jsonとセットアップスクリプトの作成をエージェントに頼む
3. 依存導入と開発サーバー起動まで確認済みのPRをマージする
4. Automationのトリガーを公開チャンネルの絵文字リアクションに設定する
5. 指示文を前半は原因特定と修正、後半は検証と返信に分けて書く

修正ごとにブランチを取得して自分の環境で症状を確かめる手間がなくなった。

細かいバグへの対応がかなり速く回るようになり、動作確認の動画もPRに残る。

上位プランや無制限課金を並行して契約すると月3万〜5万円まで膨らみ、かといって無料枠だけでは上限にすぐ当たって手が止まっていた。

1. ChatGPTに雑なアイデアを渡し要件定義とタスク分解をさせる
2. 結果をspecs配下のMarkdownとしてローカルに置く
3. そのファイルをAntigravity無料枠に読ませ生成やGit操作を自律実行させる
4. Cursorのインライン補完でコードを仕上げGitHubへ送る
5. PR差分とテストログをClaudeに投げ分析とリリースノートを任せる

月額は合計で約9,000円〜10,000円に収まり、上位プランをまとめて契約した場合の約30,000円〜50,000円と比べて安く済んだ。

役割を4つに分けたことで一つのツールが制限に達しても作業が止まらなくなった。

社員が好きなツールを選べる代わりに、必要な情報があちこちに散らばって探せなくなっていた。

ツールを1つにまとめる案は手間が大きすぎて現実的でなかった。

1. Gleanを社内の横断検索として入れた
2. Chrome拡張から画面を離れずに引けるようにした
3. Slackの問い合わせ窓口にGleanをつないだ
4. MCPサーバーを立てて他のAIからも引けるようにした
5. 商談前に情報をまとめて出すエージェントを作った

問い合わせの自己解決は2倍を超え、社内で上がるチケットの98%がGleanで答えられるようになった。

回答の関連度は99%で、クローズまでは平均30分になった。

全面リモートに切り替えたあと情報が多くのアプリへ散らばって必要な資料が見つからなくなった。

廊下での雑談で回っていた知識も途切れた。

1. 社内の30を超えるデータ元をGleanにつないだ
2. 1億3,800万件の文書を横断で探せるようにした
3. 各チームが業務用エージェントを3,400超作った
4. 障害の振り返りをエージェントが時系列でまとめる
5. MCPでCursorやClaude Codeへ設計書を渡す

自己評価と同僚評価を助けるエージェントは最初の評価期間で約10,000回使われて参加率が7%上がった。

新しく入った人も相手や案件の背景を自分で調べて打ち合わせに臨めるようになった。

パッケージ時代から続く仕様書中心の開発の流れが残り、実装後に仕様書を書き直す手戻りも多かった。

AIを入れただけでは人の進め方が足かせになっていた。

1. 全社で使えるGeminiを土台に置く
2. 用途ごとにCursorやClaude Codeを使い分ける
3. 人が要求と制約を渡し設計から実装までAIに任せる
4. 仕様書をMarkdownに直しGitHubでまとめる
5. AIの実装を人が直しその成果物からAIに文書を作らせる

対象の開発案件で見積工数が約5分の1まで減った。

AIを使った開発手法のワークショップでは3日間でプロトタイプまで仕上がった。

あったらいいと思うアプリを自分で形にしたかったが、プログラミングの経験がまったく無かった。

生配信の視聴者参加企画を回す仕組みも、既製のサービスでは用意できなかった。

1. ChatGPTにコードを書かせNode.jsのプログラムを作った
2. 直しは部分修正でなく全文を書き直させて進めた
3. CursorとGitHubとVercelの開発手順を教わった
4. 移動中にスマホで仕様をMarkdownにまとめた
5. 帰宅後に仕様書をAIへ読ませClaude Codeで開発した

Xへの購入報告や応援ポストの数に応じて衣装や映像素材が使えるようになる仕組みと、元のMVとの再現度をAIが採点する機能を組み込み、2026年7月31日の約10時間の生配信で動かした。

Claude Codeを使い始めてから開発の速さが大きく上がった。

会社が急に大きくなり情報が複数のツールに分かれた。

海外拠点ごとに資料が孤立して、必要なことを調べるのに時間がかかっていた。

1. 社内の各ツールをGleanにつないで横断で検索できるようにする。
2. PRDや技術情報を社外向け文書に書き直すエージェントを作った。
3. 営業向けに対象企業を調べて質問案を出すエージェントを用意する。
4. 顧客向けニュースレターの下書きもエージェントに任せた。
5. 人は出てきた原稿を確認して直すだけにする。

PMが1本あたり最大4時間かけていた文書づくりが数分で終わるようになった。

たまっていた未着手の文書が解消し、テクニカルライターを採用せずに済んだ。

開発者3人が50を超えるシステムからのデータ取り込みと保守に手を取られて新しい仕組みを作れなかった。

買収で珍しいシステムが増えるたびに独自の抽出スクリプトが散らばっていた。

1. データの取り込みをFivetran経由でSnowflakeへまとめる
2. 対応済みのシステムはそのまま取り込み分析用の形に整える
3. 対応外のシステムはFivetranのSDKでコネクタを書く
4. コネクタのコード書きはCursorに任せて短い時間で仕上げる
5. 監視と通知と監査はどのデータ元でも同じやり方に保つ

新しいデータ元の追加は数週間から数時間になった。

コネクタは最短30分で作れるようになり、稼働率は99.97%まで上がった。

3人のデータチームで6人分の成果を出せるようになった。

部門ごとに別のツールで情報を管理していたため必要な資料を探すのに手間がかかっていた。

新機能の告知文は送る先ごとに書き分ける必要があり作成に時間を取られていた。

1. 2025年5月にNotionを全社へ入れて情報を一か所にまとめた
2. リリース情報に決まったプロンプトを当てて告知文を作る
3. 日本語と英語で4種類の告知文を同時に作る
4. ユーザーインタビューはAIミーティングノートでまとめる
5. 集めた要望をCursorに読ませPRD前の整理に使う

約3時間かかっていた告知文の作成が30分で終わるようになった。

ビジネス部門が自分で情報を見られるようになり開発部門への問い合わせは半減した。

チームと機能が増えて要望や並行して走る作業を頭の中では追えなくなった。

課題からエディタへ移るたびに何をすべきか組み立て直す手間もかかっていた。

1. 出荷前に直す課題と利用者や社内の声をLinearで別の一覧に分ける
2. 2週間ごとのリリースに向けてエンジニアが思いつきから仕上げまで受け持つ
3. Linearの中で動くエージェントを自前で作りGitHubとつなげる
4. 関係するファイルを先に探させて最初の実装まで書かせた
5. 担当者はPRを試して直すか取り込むかを決める

エンジニアが課題を開いたときには作業が始まっていてPRも立っている。

ツールを行き来して前提をつかみ直す時間が要らなくなった。

文言の修正ひとつでもエンジニアが環境を用意してブランチを切り、プルリクエストを出しCIの失敗を直す必要があり時間が取られていた。

非エンジニアは環境構築でつまずき、そのたびにエンジニアが手を止めていた。

1. SlackにDevinを常駐させ対象リポジトリを伝える
2. 直したい内容を文章と画面キャプチャで渡す
3. 作業プランを確認してから実装に進ませる
4. 変更部分を引用して追加指示しCIが通るまで直させる
5. 一次レビューはCodeRabbitやGitHubの機能に任せる

機能追加やバグ修正、UI改善、ドキュメント更新まで幅広く任せられるようになった。

デザイナーやPMも自分で文言修正を出せるようになり、エンジニアはより複雑な仕事に時間を回せるようになった。

2023年からGitHub Copilotを全エンジニアに配ってきたが、さらに開発の速さと質を上げるには使う範囲を広げる必要があった。

1. 2025年8月に全エンジニアへ開発AIエージェントを配った。
2. 仕様づくりから設計やコーディングやコードレビューまで任せる。
3. エンジニアの採用管理や仕事の進み具合の把握にも使う。
4. 誰がどれだけ貢献したかを見える形にする。
5. 導入の前に複数のサービスを試し開発量が伸びたものを選んだ。

試した段階で開発量が伸びる手応えを得たため本格導入に踏み切った。

コーディング以外の管理の仕事も含めて開発組織全体の底上げを狙う。

生成AIを全員が使える組織にしたかったが、社内で使う人と使い方が揃っていなかった。

1. 2025年2月にAI推進のプロジェクトチームを作った
2. ツールの導入と使い方のルールを整えた
3. 開発部門はDevinやCursorにテストコードを書かせた
4. 営業は商談内容を自動で記録させ海外拠点は一次翻訳を任せた
5. バックオフィスはNotebookLMで社内問い合わせに答えるbotを作った

従業員の生成AI利用率が100%になり、82.9%がほぼ毎日使うようになった。

72.9%が1日30分以上の時短を挙げ、全社で16.5%の業務削減を見込む。

約10万点ある商品の中から担当者が手で候補を探し提案用のPowerPointを1件ずつ作っていた。

1件に数時間かかり年50件しか提案を出せなかった。

1. チャットのエージェントが商品の種類・単価・テーマ・顧客名を聞き取る
2. 確定するとn8nのワークフローが動きCRMと過去の提案も参照する
3. GPTとコードのノードがSQLを組み立て約10万点から候補を絞る
4. 選んだ商品画像をNano Bananaへ渡しテーマに合わせた画像を作る
5. Googleスライドのひな形を複製し価格と説明と画像を差し込む

提案書を作る時間が数時間から数分に減った。

年50件が限界だった提案の数は10倍近くまで増えた。